Zmodyfikowana metoda budowy grafów przyczynowo-skutkowych procesów z wykorzystaniem archiwalnych przebiegów sygnałów

• Autorzy: Tabor Ł.

Warianty tytułu

EN

Modified method for building cause-effect graphs of processes using archival signal values

• Języki publikacji: PL

Abstrakty

PL

W artykule opisano zmodyfikowaną metodę automatycznej budowy grafu przyczynowo-skutkowego procesu przemysłowego. Metoda składa się z etapów, w których między innymi analizowane są wskaźniki statystyczne oraz opóźnienia transportowe między sygnałami. W artykule poruszono kwestię wrażliwości metody na parametry oraz zaproponowano rozwiązanie mające zmniejszyć ten problem. Przedstawiono efekt działania algorytmu przed i po modyfikacji dla obiektu przemysłowego, będącego fragmentem sieci przesyłowej gazu ziemnego na dużym obszarze.

EN

The paper describes a modified method for building the cause-effect graph of an industrial process. The algorithm consists of three steps. First, the dataset is searched for signals connected by well know relations such as the PID equation. Next, the algorithm searches the pairs of signals having high values of Kendall correlation coefficients. Additionally, the sequence of spreading disturbances is analysed [5]. The results of the basic algorithm performance are presented on example of a three tank system (Fig. 2) and a gas network (Figs. 4 and 5). In case of the gas network the cause-effect graph created using only the expert knowledge is shown in Fig. 3. In Section 3 the problem of the algorithm sensitivity is analysed (Figs. 4, 5 and 6). There is proposed a solution how to minimise the influence of selected parameters on the final result in Section 4. In order to be able to compare the results before and after modification, the distance measure between graphs [10, 11, 12] is suggested in Section 5. The described method sensitivity before and after modification on the example of the mentioned industrial object - a part of the gas network (Fig. 7) is discussed in Section 6. There is also given the best ( meaning the distance to the graph created by the expert) result of the algorithm for the gas network (Fig. 8).

Słowa kluczowe

PL

graf przyczynowo-skutkowy; diagnostyka procesów; modelowanie procesów; odkrywanie wiedzy z danych

EN

cause-effect graph; process diagnostics; process modelling; data mining

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2012
• Tom: R. 58, nr 1
• Strony: 101--104
• Opis fizyczny: Bibliogr. 13 poz., rys., tab., wzory

Twórcy

autor

Tabor Ł.

• Instytut Automatyki i Robotyki, Politechnika Warszawska, ul. św. A. Boboli 8, 05-525 Warszawa,

Bibliografia

• [1] Gandhi O. P., Agrawal, V. P.: Failure cause analysis - a structural approach, Journal of Pressure Vessel Technology, Transactions of the ASME, 4/1996, 434-439.
• [2] Ostasz A., Kościelny J. M.: Zastosowanie grafu procesu GP w diagnostyce procesów przemysłowych. Pomiary Automatyka Kontrola nr 9bis/2005, str. 51-53.
• [3] Ostasz A.: Graf przyczynowo-skutkowy procesu i jego zastosowanie do projektowania zbioru residuów oraz relacji diagnostycznej. Politechnika Warszawska, 2007.
• [4] Garcia-Beltran C., Gentil S.: Casual reasoning for human supervised process reconfiguration. IEEE International Symposium on Intelligent Control - Proceedings, 2001, 91-96.
• [5] Tabor Ł.: Budowa grafów przyczynowo-skutkowych z wykorzystaniem archiwalnych przebiegów sygnałów, Pomiary Automatyka Robotyka PAR, nr 11/2010, str. 65-68.
• [6] Palmer C., Chung P.: Verifying Signed Directed Graph Models for Process Plants. Computers and Chemical Engineering Supplement 1999, str. 391-394.
• [7] Koronacki J., Mielniczuk J.: Statystyka dla studentów kierunków technicznych i przyrodniczych. WNT, Warszawa 2007.
• [8] Krzyśko M.: Systemy uczące się: rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości. WNT, Warszawa 2008.
• [9] Larose D. T. Metody i modele eksploracji danych. PWN, Warszawa 2008.
• [10] Bunke H., Shearer K.: A graph distance metric based on the maximal common subgraph. Pattern Recognition Letters, 19(3):255-259, 1998.
• [11] Luo B., Hancock R.: Structural graph matching using the EM algorithm and singular value decomposition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 23(10):1120-1136, 2001.
• [12] Schenker A., Bunke H., Last M., Kandel A. Graph-theoretic techniques for web content mining. Series in Machine Perception and Artificial Intelligence, 62, 2005.
• [13] Stachura M. i Syfert M. (2010). Model sieci gazowej w systemie monitorowania i diagnostyki AMandD. Pomiary Automatyka Robotyka PAR, nr 11/2010, str. 110-115.